How do I install the Similar Finder skill?

Run npx skillmds@latest add thewatcher01/similar-finder in your terminal (requires Node.js), paste this page's agent-chat prompt into Claude, Cursor, or any MCP-connected agent, or download the SKILL.md file and copy it into your agent's skills directory.

Is Similar Finder safe to use?

This skill has not completed SkillMD's automated safety review yet. Capability flags: executes scripts. SkillMD never runs a skill's scripts for you; review the SKILL.md before installing.

Which AI agents work with Similar Finder?

This skill is tagged as working with Claude Code, Claude.ai, OpenAI Codex. SKILL.md is an open format, so most agents that read a skills directory can load it too.

Is Similar Finder free to use?

Yes. Installing skills from SkillMD is free, and the skill stays under its author's original license.

Who published Similar Finder?

TheWatcher01 (@thewatcher01) published this skill. Their other Agent Skills are listed on their SkillMD profile.

Similar Finder by thewatcher01 — Agent Skill

Name: Similar Finder
Rating: 4.2 (5 reviews)
Author: TheWatcher01

File contents

Similar Finder — Recherche de prospects similaires

Déclencheur

/similaire 12345678901234 (SIRET du client idéal)
"trouve des entreprises similaires à mon meilleur client"
"quels prospects ressemblent à X"
"lookalike de cette entreprise"

Ce que fait ce skill

Encode le profil textuel d'une entreprise de référence en vecteur d'embedding
Recherche par similarité cosinus dans LanceDB
Retourne les 10 entreprises les plus proches

Modèle utilisé

paraphrase-multilingual-MiniLM-L12-v2 (~470 MB)

Modèle multilingue optimisé pour le français
Pré-téléchargé dans l'image Docker
Embeddings de dimension 384

Utilisation

Chercher des similaires par SIRET

source /opt/albert-ml/bin/activate
python3 scripts/find_similar.py --siret 12345678901234 --top 10

Chercher par description textuelle

source /opt/albert-ml/bin/activate
python3 scripts/find_similar.py \
    --description "ESN cybersécurité 50 employés Toulouse spécialisée NIS2 et SOC" \
    --top 10

Ingérer une entreprise dans la base vectorielle

source /opt/albert-ml/bin/activate
python3 scripts/find_similar.py --ingest \
    --siret 12345678901234 \
    --description "Cabinet de conseil IT, 30 salariés, Paris, spécialiste cloud AWS et DevOps"

Arguments

Argument	Description	Défaut
`--siret`	SIRET de l'entreprise de référence	—
`--description`	Description textuelle du profil cible	—
`--top`	Nombre de résultats similaires	`10`
`--ingest`	Mode ingestion (ajouter à la base)	false
`--threshold`	Score de similarité minimum (0-1)	`0.5`

Stockage

Table LanceDB : company_embeddings à /home/node/.openclaw/data/companies.lance
Chaque enregistrement : SIRET, nom, description, vecteur 384D, métadonnées

Sortie

{
  "query": "ESN cybersécurité Toulouse...",
  "results": [
    {
      "siret": "98765432109876",
      "nom": "CyberSec SAS",
      "description": "...",
      "similarity": 0.89,
      "rank": 1
    }
  ],
  "total_in_db": 1500,
  "model": "paraphrase-multilingual-MiniLM-L12-v2"
}

Comment enrichir la base

La base vectorielle s'enrichit automatiquement via les pipelines de données (skill data-pipes). On peut aussi ingérer manuellement avec le flag --ingest. Plus la base est riche, meilleurs sont les résultats de recherche.

---name: similar-finderdescription: Recherche d'entreprises similaires par embeddings vectoriels. Utiliser pour trouver des prospects qui ressemblent à un client idéal.---# Similar Finder — Recherche de prospects similaires## Déclencheur- `/similaire 12345678901234` (SIRET du client idéal)- "trouve des entreprises similaires à mon meilleur client"- "quels prospects ressemblent à X"- "lookalike de cette entreprise"## Ce que fait ce skill1. Encode le profil textuel d'une entreprise de référence en vecteur d'embedding2. Recherche par similarité cosinus dans LanceDB3. Retourne les 10 entreprises les plus proches## Modèle utilisé**paraphrase-multilingual-MiniLM-L12-v2** (~470 MB)- Modèle multilingue optimisé pour le français- Pré-téléchargé dans l'image Docker- Embeddings de dimension 384## Utilisation### Chercher des similaires par SIRET```bashsource /opt/albert-ml/bin/activatepython3 scripts/find_similar.py --siret 12345678901234 --top 10```### Chercher par description textuelle```bashsource /opt/albert-ml/bin/activatepython3 scripts/find_similar.py \ --description "ESN cybersécurité 50 employés Toulouse spécialisée NIS2 et SOC" \ --top 10```### Ingérer une entreprise dans la base vectorielle```bashsource /opt/albert-ml/bin/activatepython3 scripts/find_similar.py --ingest \ --siret 12345678901234 \ --description "Cabinet de conseil IT, 30 salariés, Paris, spécialiste cloud AWS et DevOps"```## Arguments| Argument | Description | Défaut ||----------------|------------------------------------------|--------|| `--siret` | SIRET de l'entreprise de référence | — || `--description` | Description textuelle du profil cible | — || `--top` | Nombre de résultats similaires | `10` || `--ingest` | Mode ingestion (ajouter à la base) | false || `--threshold` | Score de similarité minimum (0-1) | `0.5` |## Stockage- Table LanceDB : `company_embeddings` à `/home/node/.openclaw/data/companies.lance`- Chaque enregistrement : SIRET, nom, description, vecteur 384D, métadonnées## Sortie```json{ "query": "ESN cybersécurité Toulouse...", "results": [ { "siret": "98765432109876", "nom": "CyberSec SAS", "description": "...", "similarity": 0.89, "rank": 1 } ], "total_in_db": 1500, "model": "paraphrase-multilingual-MiniLM-L12-v2"}```## Comment enrichir la baseLa base vectorielle s'enrichit automatiquement via les pipelines de données (skill `data-pipes`).On peut aussi ingérer manuellement avec le flag `--ingest`.Plus la base est riche, meilleurs sont les résultats de recherche.

Frequently asked questions

Similar Finder